다중층 네트워크 링크 예측을 위한 레이어 재구성 방법

초록

본 논문은 다중층(멀티플렉스) 네트워크에서 레이어 간 구조적 유사성을 이용해 결측 링크를 예측하는 새로운 방법인 레이어 재구성 방법(LRM)을 제안한다. 고유벡터를 통해 레이어 유사성을 정량화하고, 유사한 레이어의 구조적 특징을 목표 레이어에 재구성함으로써 높은 결측 비율에서도 강인한 링크 예측 성능을 달성한다. 실험은 사회, 생물, 교통 등 다양한 분야의 실제 멀티플렉스 네트워크에서 수행되었으며, 기존 단일층 기반 방법보다 우수한 결과를 보였다.

상세 분석

논문은 먼저 멀티플렉스 네트워크의 레이어가 완전히 동일하거나 전혀 다른 구조를 갖는 것이 아니라, 어느 정도 중복된 구조적 특성을 공유한다는 가정을 제시한다. 이를 검증하기 위해 각 레이어의 라플라시안 행렬 고유벡터를 추출하고, 코사인 유사도 기반의 유사성 지표를 정의한다. 실험 결과, 실제 네트워크의 레이어 간 유사성은 무작위화된 네트워크 대비 현저히 높으며, 이는 레이어 간 정보 중복이 존재함을 의미한다.

다음으로 결측 링크가 네트워크 구조에 미치는 영향을 고유벡터 변동량으로 측정한다. 링크 추가·삭제가 고유벡터를 크게 변형시키지 않을 경우, 해당 링크는 기존 구조적 패턴에 잘 맞는다고 판단되어 높은 예측 가능성을 가진다. 반대로 변형이 크면, 동일한 고유벡터 패턴을 가진 다른 레이어의 정보를 활용해 보완할 수 있다.

LRM은 이러한 아이디어를 구현한다. 목표 레이어의 관측된 인접 행렬을 고정하고, 유사 레이어들의 고유벡터를 선형 결합해 목표 레이어의 고유벡터를 재구성한다. 구체적으로, 각 유사 레이어에 가중치를 부여하고, 가중치와 고유벡터를 최적화하는 목적함수는 (1) 재구성된 고유벡터와 원본 고유벡터 사이의 차이를 최소화하고, (2) 가중치의 L1 정규화를 통해 과도한 레이어 의존성을 억제한다. 최적화는 교대 최적화(Alternating Optimization) 방식으로 수행되며, 수렴 속도가 빠르고 대규모 네트워크에도 적용 가능하도록 설계되었다.

재구성된 고유벡터를 이용해 목표 레이어의 잠재적 연결 확률을 계산하고, 이를 기존의 유사도 기반 스코어(예: 공통 이웃, Adamic‑Adar)와 결합해 최종 링크 예측 점수를 산출한다. 실험에서는 결측 비율을 10%부터 90%까지 단계적으로 증가시켰으며, LRM은 특히 70% 이상 결측 상황에서도 AUC와 Precision‑Recall 곡선에서 기존 방법들을 크게 앞섰다. 이는 레이어 간 구조적 중복성을 효과적으로 활용해 정보 손실을 보완했기 때문이다.

또한, 레이어 유사성에 대한 민감도 분석을 수행해, 유사성이 낮은 레이어를 제외했을 때 성능이 오히려 감소함을 확인하였다. 이는 “모든 레이어가 일정 수준의 구조적 연관성을 갖는다”는 가정이 실제 네트워크에 잘 맞는다는 증거이며, 레이어 선택 시 유사성 임계값을 조절함으로써 계산 비용과 성능 사이의 트레이드오프를 조절할 수 있음을 보여준다.

결론적으로, 본 연구는 고유벡터 기반 레이어 유사성 측정과 레이어 재구성을 결합한 새로운 프레임워크를 제시함으로써, 멀티플렉스 네트워크에서 결측 링크 예측 문제를 기존 단일층 접근법보다 더 견고하고 정확하게 해결한다는 점에서 학술적·실용적 의의를 가진다.